160.246 (22S) Generalisierte Lineare Modelle (GLM): Was tun bei nicht-normalverteilten Daten?

Sommersemester 2022

Anmeldefrist abgelaufen.

Erster Termin der LV
09.03.2022 16:30 - 18:00 Online Off Campus
... keine weiteren Termine bekannt

Überblick

Bedingt durch die COVID-19-Pandemie können kurzfristige Änderungen bei Lehrveranstaltungen und Prüfungen (z.B. Absage von Präsenz-Lehreveranstaltungen und Umstellung auf Online-Prüfungen) erforderlich sein.

Weitere Informationen zum Lehrbetrieb vor Ort finden Sie unter: https://www.aau.at/corona.
Lehrende/r
Tutor/in/Innen
LV-Titel englisch Generalized Linear Models (GLM): How to handle non-normal data?
LV-Art Seminar (prüfungsimmanente LV )
LV-Modell Onlinelehrveranstaltung
Semesterstunde/n 2.0
ECTS-Anrechnungspunkte 4.0
Anmeldungen 18 (35 max.)
Organisationseinheit
Unterrichtssprache Deutsch
mögliche Sprache/n der Leistungserbringung Deutsch , Englisch
LV-Beginn 09.03.2022
eLearning zum Moodle-Kurs

Zeit und Ort

Beachten Sie bitte, dass sich aufgrund von COVID-19-Maßnahmen die derzeit angezeigten Termine noch ändern können.
Liste der Termine wird geladen...

LV-Beschreibung

Intendierte Lernergebnisse

Regressionsanalysen zählen zu den wichtigsten Methoden der Inferenzstatistik, um Beziehungen zwischen abhängigen und unabhängigen Variablen zu modellieren. Bei nicht-normalverteilten abhängigen Variablen können Modellvoraussetzungen (z.B. normalverteilte Störgröße) verletzt sein. Nelder und Wedderburn (1972) präsentierten mit dem Generalisierten Linearen Modell (GLM) eine Erweiterung des klassischen Regressionsmodells (ALM), mit dem sich eine Vielzahl nicht-normalverteilter abhängiger Variablen modellieren lässt.

  • Das klassische Regressionsmodell (Allgemeines Lineares Modell) verstehen, erklären und anwenden können
  • Klassische statistische Modelle als Regressionsmodell verstehen können
  • Historische und moderne Ansätze zum Umgang mit nicht-normalverteilten Daten kennen
  • Verteilungen der Exponentialfamilie kennen und auf Fragestellungen/Variablen anwenden können
  • Das Generalisierte Lineare Modell verstehen, erklären und anwenden können
  • Regressionsanalysen in R durchführen können

Nelder, J. & Wedderburn, R. (1972). Generalized Linear Models. Journal of the Royal Statistical Society, Series A (General), 135(3), 370–384. https://doi.org/10.2307/2344614

Lehrmethodik inkl. Einsatz von eLearning-Tools

  • Online-Präsenzeinheiten (Vortrag und Vorzeigen von Beispielen in R)
  • Eigenständige Durchführung von verpflichtenden Aufgaben (Hausaufgaben: z.B. Modellschätzungen mit R)
    inkl. Peerfeedback
  • Mitarbeit in den Online-Präsenzeinheiten (Mitarbeit setzt Anwesenheit voraus)
  • Beteiligung an Diskussionen im Moodle-Forum (Fragen stellen, Fragen von Peers beantworten)
  • Eigenständiges Lesen von Literatur

Inhalt/e

  • Das klassische Regressionsmodell (ALM - Allgemeines Lineares Modell): Modell: Matrixschreibweise; Vorausetzungen (Gauß-Markov-Annahmen); Modellparameter: OLS- und WLS-Schätzung; Signifikanz der Regressionskoeffizienten; Dummy-Kodierung kategorialer UVs
  • Klassische statistische Modelle (t-Test, ANOVA, ANCOVA, MANCOVA,...) als Regressionsmodell: multiple lineare und multiple polynomiale Regression; univariat und multivariat; ohne und mit Messwiederholung
  • Historische Ansätze zum Umgang mit nicht-normalverteilten (abhängigen) Variablen
  • Generalisierte Lineare Modelle (GLM): Modell; Voraussetzungen; Schätzung der Modellparameter; Verteilungen der Exponentialfamilie (bspw. Normal, Exponential, Gamma, Poisson, Bernoulli, Binomial, Multinomial, Chi-Quadrat, Beta,...); Bedeutung der Link-Function, Mean-Function
  • Binär-Logistische Regression, Poisson Regression / Negativ Binomiale Regression (NB2), Log-Lineares Modell, Beta-Regression, Gamma-Regression,...
  • Zero-/One-Inflated Distributions, Zero-Inflated Models; Trunkierte und zensierte Daten
  • Ausblick: Generalisierte Additive Modelle für Lage-, Skalen- und Formparameter (en: GAMLSS)

Erwartete Vorkenntnisse

  • VO Statistik I und Statistik II
  • Grundkenntnisse in R
  • Interesse an statistischen Modellen

Literatur

  • Dunn, P. K. & Smyth, G. K. (2018). Generalized linear models with examples in R. New York: Springer.
  • Field, A., Miles, J. & Field, Z. (2012). Discovering statistics using R. London: SAGE Publications.
  • Nelder, J. & Wedderburn, R. (1972). Generalized Linear Models. Journal of the Royal Statistical Society, Series A (General), 135(3), 370–384. https://doi.org/10.2307/2344614

Prüfungsinformationen

Im Fall von online durchgeführten Prüfungen sind die Standards zu beachten, die die technischen Geräte der Studierenden erfüllen müssen, um an diesen Prüfungen teilnehmen zu können.

Prüfungsmethode/n

  • Verpflichtende Aufgaben (kleine statistische Übungsbeispiele)
    inkl. Peerfeedback
  • Mitarbeit in den Präsenzeinheiten (Mitarbeit setzt Anwesenheit voraus)
  • Beteiligung an Diskussionen in den Moodle-Foren

Prüfungsinhalt/e

  • Folien + Erklärungen des Stoffs, der in den Präsenzeinheiten vorgetragen wird (Folien und R-Skripte werden auf Moodle zur Verfügung gestellt)
  • Zur Verfügung gestellte Materialien (Dokumente, R-Skripte, Literatur) auf Moodle

Beurteilungskriterien/-maßstäbe

Notenschlüssel

NoteProzent an Gesamtpunkten
Sehr Gut (1)
91% bis 100%
Gut  (2)
78% bis <91%
Befriedigend (3)
65% bis <78%
Genügend  (4)  
50% bis <65%
Nicht Genügend (5)      
<50%

Bitte beachten Sie, dass eine Anwesenheitspflicht von mind. 80% besteht.

Beurteilungsschema

Note Benotungsschema

Position im Curriculum

  • Masterstudium Psychologie (SKZ: 840, Version: 12W.4)
    • Fach: Forschungsmethoden und Evaluation (Pflichtfach)
      • Komplexe Quantitative/Qualitative Methoden ( 0.0h SE / 4.0 ECTS)
        • 160.246 Generalisierte Lineare Modelle (GLM): Was tun bei nicht-normalverteilten Daten? (2.0h SE / 4.0 ECTS)

Gleichwertige Lehrveranstaltungen im Sinne der Prüfungsantrittszählung

Diese Lehrveranstaltung ist keiner Kette zugeordnet